論文の概要: Sampling from Arbitrary Functions via PSD Models
- arxiv url: http://arxiv.org/abs/2110.10527v1
- Date: Wed, 20 Oct 2021 12:25:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 16:27:14.658992
- Title: Sampling from Arbitrary Functions via PSD Models
- Title（参考訳）: PSDモデルによる任意関数からのサンプリング
- Authors: Ulysse Marteau-Ferey (SIERRA, PSL), Alessandro Rudi (PSL, SIERRA),
Francis Bach (PSL, SIERRA)
- Abstract要約: まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
- 参考スコア（独自算出の注目度）: 55.41644538483948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many areas of applied statistics and machine learning, generating an
arbitrary number of independent and identically distributed (i.i.d.) samples
from a given distribution is a key task. When the distribution is known only
through evaluations of the density, current methods either scale badly with the
dimension or require very involved implementations. Instead, we take a two-step
approach by first modeling the probability distribution and then sampling from
that model. We use the recently introduced class of positive semi-definite
(PSD) models, which have been shown to be efficient for approximating
probability densities. We show that these models can approximate a large class
of densities concisely using few evaluations, and present a simple algorithm to
effectively sample from these models. We also present preliminary empirical
results to illustrate our assertions.
- Abstract（参考訳）: 応用統計学と機械学習の多くの分野において、与えられた分布から任意の数の独立かつ同一に分布するサンプルを生成することが重要な課題である。
分布が密度の評価によってのみ知られている場合、現在の手法は次元でひどくスケールするか、非常に複雑な実装を必要とする。
その代わりに、確率分布をモデル化し、そのモデルからサンプリングすることで、2段階のアプローチをとる。
最近導入された正半定義(psd)モデルを用いて,確率密度の近似に効率的であることが示されている。
これらのモデルが簡潔に,少数の評価結果を用いて,多種多様な密度を近似できることを示すとともに,これらのモデルから効果的にサンプルする簡単なアルゴリズムを提案する。
また、我々の主張を説明するための予備的な実証結果も提示する。
関連論文リスト
- Unified Convergence Analysis for Score-Based Diffusion Models with Deterministic Samplers [49.1574468325115]
決定論的サンプリングのための統合収束分析フレームワークを提案する。
我々のフレームワークは$tilde O(d2/epsilon)$の反復複雑性を実現する。
また,Denoising Implicit Diffusion Models (DDIM) タイプのサンプルについて詳細な分析を行った。
論文 参考訳（メタデータ） (2024-10-18T07:37:36Z) - Modelling Sampling Distributions of Test Statistics with Autograd [0.0]
条件付き1次元サンプリング分布をモデル化する手法が,確率密度比法の代替となるかを検討する。
比較的単純で効果的なニューラルネットワークモデルは、様々な方法で予測の不確実性が定量化される。
論文 参考訳（メタデータ） (2024-05-03T21:34:12Z) - Training Implicit Generative Models via an Invariant Statistical Loss [3.139474253994318]
暗黙的な生成モデルは任意の複雑なデータ分布を学習する能力を持つ。
マイナス面として、トレーニングでは、敵対的判別器を使用して人工的に生成されたデータと実際のデータを区別する必要がある。
本研究では,1次元(1次元)生成暗黙的モデルを学習するための判別器フリーな手法を開発した。
論文 参考訳（メタデータ） (2024-02-26T09:32:28Z) - PQMass: Probabilistic Assessment of the Quality of Generative Models
using Probability Mass Estimation [8.527898482146103]
生成モデルの品質を評価するための包括的サンプルベース手法を提案する。
提案手法により,同じ分布から2組のサンプルが引き出される確率を推定できる。
論文 参考訳（メタデータ） (2024-02-06T19:39:26Z) - Learning Multivariate CDFs and Copulas using Tensor Factorization [39.24470798045442]
データの多変量分布を学習することは、統計学と機械学習における中核的な課題である。
本研究では,多変量累積分布関数(CDF)を学習し,混合確率変数を扱えるようにすることを目的とする。
混合確率変数の合同CDFの任意のグリッドサンプリング版は、単純ベイズモデルとして普遍表現を許容することを示す。
提案モデルの性能を,回帰,サンプリング,データ計算を含むいくつかの合成および実データおよびアプリケーションで実証する。
論文 参考訳（メタデータ） (2022-10-13T16:18:46Z) - Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。
粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文 参考訳（メタデータ） (2021-10-06T16:58:34Z) - PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。
我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。
本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文 参考訳（メタデータ） (2021-06-30T15:13:39Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳（メタデータ） (2020-02-21T14:03:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。